Ինչպիսի՞ օգուտ կարող է ստանալ ֆինանսաբանկային ոլորտը տվյալագիտության կիրառումից

Ինչքան շատ տվյալներ, այնքան շատ հնարավորություններ օգուտ քաղելու այդ տվյալներից, կայացնելու ավելի հիմնավոր որոշումներ, ավելի լավ հասկանալու հաճախորդներին, ազդելու նրանց սպառողական վարքի վրա։ Այս նախադասությունը ներկայումս աքսիոմա է և ապացուցման կարիք չունի։  

Ֆինանսաբանկային ոլորտի առանձնահատկություններից մեկը կայանում է նրանում, որ այս դեպքում տվյալները հավաքագրվում են անդադար, հիմնականում էլեկտրոնային ձևով, և այդ տվյալները շատ բազմազան են՝ սկսած հաճախորդների դեմոգրաֆիական տվյալներից, վերջացրած նրանց գնումներով։ Ուղղակի պետք է հասկանալ, թե ինչ կարող է տալ այդ տվյալների վերլուծությունը։

Տվյալների միջազգային կորպորացիայի հետազոտության համաձայն մեծ տվյալների և բիզնես անալիտիկայի հենքով լուծումների տված եկամուտը 2022 թվականին կհասնի 260 միլիարդ ԱՄՆ դոլլարի, իսկ այս տարվա վերջում արդեն իսկ այն կլինի 166 միլիարդ դոլլար, ինչն օրինակ՝ 2017թ․ի համեմատ աճել է 11․7 տոկոսով։ Նորություն չէ այն, որ ֆինանսաբանկային ոլորտն այն ոլորտներից է, որն ամենամեծ ներդրումն է անում մեծ տվյալների և մեծ տվյալների հենքով տեխնոլոգիական լուծումների մեջ։ Ֆինանսաբանկային ոլորտում տվյալագիտության բերած օգուտները  բազմաթիվ են։ Այս հոդվածում մենք փորձել ենք հակիրճ նկարագրել դրանցից մի քանիսը, որոնք, կարծում ենք, թեկուզ որպես տեղեկություն, օգտակար կլինեն Հայաստանի ֆինանսաբանկային համակարգի ներկայացուցիչների համար։

1. Մեծ տվյալները տալիս են բիզնեսի մասին ավելի լայն պատկեր սկսած հաճախորդների պահվածքային օրինաչափություններից/customer behavior patterns/  մինչև ներքին գործընթացների արդյունավետ կազմակերպում և նույնիսկ ավելի լայն՝ շուկայի տենդենցների կանխատեսում։
2. Մեծ տվյալները թույլ են տալիս օպտիմալացնել ներքին պրոցեսները մեքենայացված ուսուցման և արհեստական բանականության օգնությամբ։
3. Բանկային ոլորտում մեծ տվյալների ուսումնասիրությունը նպաստում է  «խարդախ» գործարքների հետ կապված ռիսկերի նվազեցմանը։

Հարց է առաջանում՝ ինչպե՞ս օգտագործել մեծ տվյալները բանկային ոլորտում՝ ամբողջական օգուտ ստանալու համար։

1․ Վարկային ռիսկերի ավելի ճշգրիտ և արդյունավետ գնահատում

Ֆինանսների առկայությունը և բաշխումը ինքնին ենթադրում է ռիսկեր․ ինչքան շատ ֆինանս, այնքան՝ շատ ռիսկ։ Ռիսկերի նվազեցմանը կարող է նպաստել առկա տվյալների վերլուծությունը և դրա հիման վրա որոշումների կայացումը։ Օրինակ՝ ինչպե՞ս է բանկը որոշում տալ գյուղատնտեսական վարկ տեխնիկայի գնման համար․ հաշվարկում է վարկառուի և նրա ընտանիքի վարկունակությունը՝ հիմնվելով որոշակի առկա տվյալների, փաստաթղթերի վրա։ Յուրաքանչյուր բանկ կամ վարկային կազմակերպություն ունի իր հաշվարկման մեթոդը, որի արդյունքում հաստատվում կամ մերժվում է վարկի տրամադրումը։ Տվյալագիտությունը թույլ է տալիս վերլուծել նախկինում տրված նմանատիպ վարկերի տվյալները և գտնել նմանատիպ վարկերի և նրանց մարումների միջև եղած օրինաչափությունները։ Օրինակ՝ 2017թ․ի Ամերիկյան բանկերից մեկը, վերլուծելով երիտասարդ տղամարդկանց տրամադրված ավտոմեքենայի գնման վարկերի պատմությունը, հայտնաբերեց որոշակի օրինաչափություններ․ այն կայանում էր նրանում, որ եթե վարկերը տրվել են աշնանը, ու դրանք տրվել են 22-25 տարեկան տղամարդկանց, այդ վարկերը հիմնականում վատ են մարում կամ ունենում են դեֆոլտ։ Նմանատիպ օրինաչափություններ կան  ցանկացած բանկային ոլորտում, որոնց հայտնաբերումն էլ հենց տվյալագետների աշխատանքն է։

2. Հաճախորդների տվյաների կառավարում եւ սեգմենտավորում

Որքան շատ բան գիտի բանկն իր ներկայիս կամ պոտենցիալ հաճախորդի մասին, այնքան ավելի լավ կարող է նրանց «կառավարել», դարձնել ավելի հավատարիմ հաճախորդ  և նոր ու ավելի օգտակար պրոդուկտներ առաջարկել։

Ուսումնասիրելով հաճախորդների վարքը՝ անկախիկ գործարքները, դրանց հաճախականությունը, հաշվի մուտքերն ու ելքերը և շատ այլ տվյալներ, բանկերը կարող են ավելի լավ հասկանալ հաճախորդների կարիքներն ու հնարավորությունները և ըստ դրա պրոդուկտներ մշակել ու առաջարկել։ Օրինակ՝ BBVA իսպանական բանկային խումբը, օգտվելով հաճախորդների տվյալներից, հասկացավ, որ կա նոր պրոդուկտների կարիք, ինչպիսիք են՝ Baby Planner, Bconomy և Commerce360-ը՝ նախատեսված անձական ֆինանսական միջոցները և ծախսերը կառավարելու համար։

Ըստ McKinsey-ի, խորը վերլուծելով հաճախորդների մասին մեծ տվյալները, բանկը կարող է խնայել իր մարկետինգային բյուջեի 15-20%-ը։ Հաշվի առնելով, որ հիմնականում բանկերը միջինում ծախսում են իրենց ընդհանուր բյուջեի 8%-ը մարկետինգի վրա, ապա մեծ տվյալների ոլորտում աշխատանքը հնարավորություն կտա ոչ միայն խնայողություններ անել, այլև ավելի շատ շահույթ ստանալ՝ իրականացնելով ավելի թիրախավորված մարկետինգային արշավներ։

Օրինակ՝ Lloyds բանկերի խումբը ցանկանում էր հասկանալ և ճանաչել իր հաճախորդներին որպես անհատներ։ Տվյալների վերլուծությամբ Lloyds-ը կարողացավ ավելի լավ հասցեագրել հաճախորդների տարբեր խմբերի կարիքները, ինչպես նաև առանձնահատկությունները, և ավելացնել  տարբեր պրոդուկտների վաճառքի ծավալներն այդ ոլորտում։ Օրինակ՝ Barclays ընկերությունը կիրառում է այսպես կոչված «սոցիալական լսումներ» գործիքը՝ հասկանալու իր հաճախորդների վարքը սոցիալական ցանցերում։ Երբ ընկերությունը թողարկեց իր բջջային հավելվածը, շատ հաճախորդներ դժգոհ էին այն փաստից, որ որոշ տարիքային խմբի օգտատերեր չէին կարողանում փոխանցել կամ ստանալ գումար, որոնք փոխանցումների ամբողջ ծավալի մեջ մեծ կշիռ ունեին։ Դժգոհությունն օգտատերերը հիմնականում արտահայտում էին սոցիալական ցանցերում։ Barclays ընկերությունը, վերլուծելով այդ տվյալները, բացահայտեց խնդիրը և խնդրին լուծում տվեց՝ տարիքային շեմը իջեցնելով 16-ի։

3. Խարդախությունների կանխում

Pricewatercoopers-ի անցկացրած վերջին հետազոտությունը ցույց տվեց, որ ԱՄՆ-ում հարցվածների 49%-ը գոնե 1 անգամ դարձել է խարդախության կամ տնտեսական գողության զոհ։ Խարդախությունների կանխման հարցում մեծ տվյալների կիրառությունն անխոս ամենաարդյունավետներից է։ Ուսումնասիրելով հաճախորդների վարքն, գործարքները՝ բանկը հայտնաբերում է այն օրինաչափությունները՝ patterns, որոնց հիման վրա որոշվում է խարդախության հավանականությունը։ Օրինակ՝ գերմանական Danske բանկը պայքարում է խարդախությունների դեմ deep learning և AI տեխնոլոգիաների միջոցով։ Արդյունքում բանկը կարողացավ 60%-ով նվազեցնել կեղծ դրական սպալները/false positives/՝ բարձրացնելով իրական դրականների քանակը՝ 50%-ով։

4․ Ծառայությունների անհատականացում

Ըստ Oracle-ի հետազոտության` հարցված միջին օղակի ղեկավարների 84%-ը հաստատում են, որ հաճախորդները փնտրում են անհատականացված ծառայությունները։ Բանկերն, առաջնորդվելով այդ սկզբունքով, հաճախ հաճախորդներին բաժանում են ըստ կատեգորիաների և ըստ դրա էլ առաջարկում ծառայություններ՝ պլյուս հաճախորդ, պրեմիում հաճախորդ, միջին վիճակագրական հաճախորդ։ Սակայն ծառայությունների անհատակացումն ավելի խորացնելով՝ բանկերը կարող են ոչ միայն ունենալ ավելի բավարարված հաճախորդ, այլ նաև կարող են բարձրացնել իրենց տարեկան շահույթը ավելին քան 20%-ով։

Օրինակ՝ American Express ընկերության Ավստրալիայի մասնաճյուղը, օգտվելով մեծ  տվյալներից, կարողանում է կանխատեսել և կանխել հաճախորդների հոսունությունը։ Ուսումնասիրելով նախկին գործարքները, ինչպես նաև 115 այլ փոփոխականներ՝  նրանք կարողանում են հայտնաբերել այն հաշիվները, որոնք ամենայն հավանականությամբ կփակվեն մոտակա մի քանի ամիսների ընթացքում։ Արդյունքում բանկը կարողանում է ձեռնարկել կանխարգելիչ միջոցներ և կանխել հաճախորդների հոսքը։

Տվյալները բանկի կամ վարկային կազմակերպության չօգտագործված կապիտալն են, որոնք խելացիները կօգտագործեն հիմա, իսկ վախկոտները՝ վաղը չէ մյուս օրը։